KPMG stwierdza, że wdrażanie AI w przedsiębiorstwach wciąż wyprzedza mierzalny wpływ

Najnowsze ustalenia KPMG dotyczące AI w przedsiębiorstwach trafiły do Google News z wyraźną sprzecznością: 95 procent badanych organizacji ma strategię AI, ale tylko 8 procent deklaruje potwierdzone zwroty.

Ta różnica ma większe znaczenie niż kolejne ogłoszenie o szybszych modelach lub większych inwestycjach w infrastrukturę. Firmy pozyskały narzędzia AI, uruchomiły pilotaże i zachęciły pracowników do eksperymentowania. Większość nie przebudowała jednak przepływów pracy, systemów odpowiedzialności ani praktyk pomiarowych potrzebnych do przełożenia tej aktywności na wyniki całego przedsiębiorstwa.

Global AI Pulse KPMG za pierwszy kwartał 2026 roku klasyfikuje 54 procent organizacji jako będące na wczesnym etapie badań, eksperymentów lub planowania strategicznego. Kolejne 39 procent skaluje AI lub napędza jej wdrażanie. Tylko niewielka grupa przeszła od szerokiej aktywności do mierzalnych, powtarzalnych zwrotów.

Powstały podział nie przebiega już między organizacjami, które używają AI, a tymi, które jej nie używają. Oddziela firmy traktujące AI jako dostępne oprogramowanie od tych, które wykorzystują ją jako zintegrowaną zdolność biznesową.

To jest prawdziwa historia stojąca za najnowszym nagłówkiem w Google News. Wdrażanie nadal się rozszerza, ale wpływ pozostaje skoncentrowany w organizacjach, które przeprojektowują pracę wokół AI, zamiast umieszczać AI obok istniejącej pracy.

Google News podkreśla lukę we wdrażaniu AI, a nie lukę w dostępie

AI dla przedsiębiorstw stała się na tyle powszechna, że samo podstawowe wdrożenie nie świadczy już o dojrzałości.

KPMG oparło ustalenia za pierwszy kwartał na ankiecie przeprowadzonej wśród 2 110 menedżerów wyższego szczebla z 20 krajów, terytoriów i jurysdykcji. Respondenci reprezentowali osiem sektorów i obejmowali liderów C-suite oraz ich bezpośrednich podwładnych w dużych organizacjach.

Na pierwszy rzut oka główne liczby wydają się sprzeczne. Według Global AI Pulse 95 procent organizacji ma strategię AI. Sześćdziesiąt cztery procent zgłasza istotną wartość biznesową, jednak tylko 8 procent twierdzi, że osiągnęło potwierdzony ROI.

Odpowiedzi te mierzą różne poziomy postępu. Zespół może oszczędzać czas na przeglądzie dokumentów lub tworzeniu oprogramowania, nie uzyskując jeszcze rezultatu widocznego w sprawozdaniach finansowych przedsiębiorstwa. Może też raportować użyteczne wyniki, zanim udowodni, że przewyższają one koszty wdrożenia, integracji, nadzoru i mocy obliczeniowej.

Podział dojrzałości przedstawiony przez KPMG wyjaśnia to rozróżnienie. Jedenaście procent organizacji nadal koncentruje się na badaniach i rozwoju. Dwadzieścia dwa procent eksperymentuje poprzez proof of concept lub pilotaże, a 21 procent buduje strategie, wskaźniki wydajności i infrastrukturę danych.

Łącznie grupy te stanowią 54 procent wciąż klasyfikowanych jako użytkownicy AI na wczesnym etapie. Dwadzieścia sześć procent skaluje AI w całym przedsiębiorstwie, a 13 procent napędza szersze wdrażanie w organizacji. Pozostałe 8 procent deklaruje potwierdzone zwroty powiązane z istotnymi wynikami biznesowymi.

Nie jest to dowód, że 92 procent programów AI poniosło porażkę. Ankieta nie formułuje takiego twierdzenia. Pokazuje, że większość organizacji nie dotarła jeszcze do punktu, w którym zwroty są zarówno potwierdzone, jak i mierzalne.

Oddzielna ankieta McKinsey wskazuje ten sam kierunek. Wykazała, że 88 procent respondentów zgłaszało regularne użycie AI w co najmniej jednej funkcji biznesowej w 2025 roku. Jednak tylko około jedna trzecia stwierdziła, że ich organizacje rozpoczęły skalowanie programów AI.

Luka istnieje, ponieważ użycie AI w jednej funkcji to niski próg. Zatwierdzony chatbot, asystent programistyczny lub narzędzie do automatycznego podsumowywania może spełniać tę definicję. Wpływ na całe przedsiębiorstwo wymaga połączonych zmian w procesach, danych, zachętach, kontrolach i decyzjach.

To rozróżnienie wyjaśnia również, dlaczego pozornie sprzeczne ankiety mogą być jednocześnie trafne. Jedno badanie może mierzyć, czy pracownicy mają dostęp do AI. Inne może pytać, czy firma wdrożyła agentów. Trzecie może wymagać zweryfikowanych zwrotów finansowych.

Czytelnicy Google News powinni zatem sprawdzać mianownik i definicję dojrzałości stojące za każdym nagłówkiem. „Używanie AI”, „skalowanie AI” i „uzyskiwanie ROI z AI” opisują różne stany, nawet jeśli relacje medialne traktują je jako wymienne.

Ankieta KPMG jest użyteczna, ponieważ umieszcza te stany na jednej ścieżce rozwoju. Zaczyna się ona od badań i pilotaży, prowadzi przez skalowanie w przedsiębiorstwie i kończy się potwierdzonymi zwrotami. Większość organizacji pozostaje gdzieś pośrodku.

Wydatki rosną szybciej niż mierzalne zwroty

Firmy zwiększają zobowiązania związane z AI, zanim ustalą, jak należy mierzyć wartość.

KPMG podaje, że badane organizacje planowały średnią inwestycję w AI na poziomie 186 mln USD w ciągu kolejnych 12 miesięcy. Średnia została ważona, aby odzwierciedlać wielkość firm i reprezentację regionalną, dlatego nie należy jej odczytywać jako uniwersalnego budżetu korporacyjnego.

Plany regionalne również się różniły. Organizacje w regionie Azji i Pacyfiku zgłosiły najwyższą średnią planowaną inwestycję, wynoszącą 245 mln USD. Ameryki znalazły się na kolejnym miejscu ze 178 mln USD, natomiast średnia dla Europy, Bliskiego Wschodu i Afryki wyniosła 157 mln USD.

Liczby te pokazują zaangażowanie, lecz wydatki są nakładem. Niewiele mówią o tym, czy firma wybrała wartościowe przepływy pracy, osiągnęła konsekwentne wdrożenie lub uzyskała korzyści wystarczające do pokrycia kosztów operacyjnych.

Koszty AI zachowują się również inaczej niż wiele tradycyjnych kosztów oprogramowania. Wykorzystanie modeli może rosnąć wraz z liczbą tokenów, zapytań, zautomatyzowanych kroków oraz zaangażowanych agentów. Udany pilotaż może więc stać się droższy, gdy obejmie więcej pracowników lub obsłuży dłuższe procesy.

Aktualizacja KPMG za drugi kwartał uwidoczniła ten problem. Ankieta wykazała, że 42 procent liderów miało tylko częściową widoczność wydatków na AI. Trzydzieści trzy procent wskazało ograniczone rozumienie struktur kosztowych, w tym tokenów, jako wyzwanie przy wdrażaniu agentów.

Problem ten wywiera jednocześnie presję na dyrektorów finansowych, liderów technologicznych i właścicieli jednostek biznesowych. Zespoły finansowe chcą uzasadnionych zwrotów. Zespoły technologiczne potrzebują niezawodnej infrastruktury i bezpieczeństwa. Liderzy operacyjni muszą wykazać, że wdrożenie usprawnia rzeczywisty proces, zamiast tworzyć więcej aktywności.

Presja staje się większa, gdy firma automatyzuje pracę wieloetapową. Agent AI to system, który potrafi planować i wykonywać kilka działań w kierunku celu. W przeciwieństwie do pojedynczej odpowiedzi chatbota agent może wywoływać narzędzia, pobierać dane firmowe, poprawiać własne wyniki i przekazywać pracę do innego systemu.

Każdy dodatkowy krok może generować koszt, opóźnienie i kolejną możliwość błędu. Proces, który wygląda imponująco w kontrolowanej demonstracji, może stać się trudny do nadzorowania, gdy tysiące pracowników korzystają z niego na danych produkcyjnych.

Dlatego potwierdzony ROI pozostaje rzadki, nawet gdy raportowana wartość biznesowa jest znacznie częstsza. Wartość biznesowa może obejmować szybszą realizację, lepsze doświadczenie pracowników lub lepszy dostęp do informacji. ROI wymaga zdefiniowanego porównania finansowego między korzyściami a pełnym kosztem ich uzyskania.

Kalkulacja powinna obejmować więcej niż subskrypcje modeli. Prace integracyjne, przygotowanie danych, szkolenie pracowników, ewaluacja, przeglądy bezpieczeństwa, reagowanie na incydenty i nadzór człowieka również pochłaniają zasoby.

Niektóre korzyści są też trudne do natychmiastowego pomiaru finansowego. Asystent może pomóc analitykowi szybciej znaleźć istotny kontekst, ale firma nadal musi powiązać zaoszczędzony czas ze zdolnością operacyjną, przychodami, jakością lub unikniętym ryzykiem.

Organizacje często zatrzymują się na pierwszej metryce. Liczą licencje, aktywnych użytkowników, prompty lub wygenerowane dokumenty. Miary te pokazują aktywność, a nie wpływ na biznes.

Silniejszy łańcuch pomiarowy zaczyna się od konkretnego przepływu pracy. Następnie śledzi, czy AI zmienia czas cyklu, wskaźniki błędów, konwersję, jakość obsługi lub inny wynik operacyjny. Dopiero po ustaleniu tego związku liderzy mogą wiarygodnie przedstawić argument finansowy.

Późniejsze ustalenia KPMG za drugi kwartał wspierają to podejście. Organizacje o wysokiej widoczności kosztów pięciokrotnie częściej zgłaszały potwierdzony ROI: 15 procent wobec 3 procent.

Ta zależność nie dowodzi, że pulpity kontrolne tworzą zwroty. Bardziej kompetentne organizacje mogą lepiej radzić sobie zarówno z kontrolą kosztów, jak i wdrażaniem AI. Mimo to wzorzec ten wzmacnia praktyczny wniosek: zespoły nie mogą zarządzać inwestycją, której nie widzą.

Prawdziwy podział przebiega między orkiestracją a wdrażaniem narzędzi

Organizacje wysuwające się na prowadzenie koordynują AI w ramach przepływów pracy, danych, zarządzania i ludzkich decyzji.

KPMG identyfikuje około 11 procent respondentów jako liderów AI. Ich przewaga nie wynika wyłącznie z większych wydatków ani wdrażania większej liczby narzędzi. Wynika z traktowania AI jako części modelu operacyjnego.

Raport określa to mianem orkiestracji. W tym kontekście orkiestracja oznacza koordynowanie modeli, agentów, danych, mechanizmów kontroli, pracowników i procesów biznesowych jako jednego zarządzanego systemu.

To wyższy standard niż udostępnienie pracownikom chatbota. Ogólny asystent może pomagać w tworzeniu szkiców, podsumowywaniu lub eksploracji, pozostawiając otaczający go przepływ pracy bez zmian. Zorkiestrowana AI zmienia sposób, w jaki praca trafia do procesu, jak podąża za nią kontekst, kto przegląda decyzje oraz jak wyniki wracają jako informacja zwrotna.

Rozważmy przepływ pracy w obsłudze klienta. Podstawowe wdrożenie pozwala agentowi przygotować szkic odpowiedzi. Bardziej dojrzały system pobiera właściwą historię konta, stosuje polityki, oznacza niepewność, kieruje wrażliwe sprawy do człowieka, rejestruje rozwiązanie i mierzy, czy obsługa się poprawiła.

Drugi system wymaga znacznie więcej niż sprawnego modelu. Potrzebuje zaufanych danych, uprawnień systemowych, jasnych reguł eskalacji, monitorowania i właściciela procesu ponoszącego odpowiedzialność.

Ten sam wzorzec dotyczy rozwoju produktów. Odizolowany asystent może podsumowywać wywiady lub generować wymagania. Zintegrowany przepływ pracy łączy dowody z badań, opinie klientów, decyzje produktowe, ograniczenia techniczne i późniejsze wyniki.

To połączenie wyjaśnia, dlaczego przeszukiwalna baza wiedzy AI może mieć większe znaczenie niż kolejny ogólny interfejs. Model potrzebuje istotnego kontekstu organizacyjnego, a pracownicy potrzebują sposobu na sprawdzanie i ponowne wykorzystywanie materiałów stojących za jego wynikami.

Wcześniejsze badania McKinsey wykazały, że przeprojektowanie przepływów pracy miało jeden z najsilniejszych związków z raportowanym wpływem generatywnej AI na wyniki finansowe. Mimo to mniej niż jedna trzecia respondentów stwierdziła, że ich organizacje stosowały większość badanych praktyk wdrażania i skalowania.

Mniej niż jeden na pięciu respondentów zgłosił śledzenie jasno zdefiniowanych wskaźników wydajności dla rozwiązań generatywnej AI. To ustalenie ujawnia słabość wielu deklaracji dotyczących wdrażania. Firma nie może dowiedzieć się, które wdrożenia działają, jeśli nie zdefiniowała, co oznacza sukces.

Przeprojektowanie przepływów pracy tworzy również trudności polityczne i organizacyjne. Zmienia zakresy odpowiedzialności, ścieżki zatwierdzania, założenia dotyczące zatrudnienia, a czasem granice między działami. Zainstalowanie narzędzia jest często łatwiejsze niż wynegocjowanie tych zmian.

Pracownicy mogą często korzystać z asystenta, unikając go jednak przy decyzjach o istotnych konsekwencjach. Menedżerowie mogą zachęcać do eksperymentowania bez zmieniania oczekiwań dotyczących wyników. Zespoły bezpieczeństwa mogą zatwierdzić jeden interfejs, ale blokować połączenia z danymi potrzebne do głębszej integracji.

Warunki te prowadzą do widocznego użycia bez wpływu na strukturę. Pracownicy tworzą więcej szkiców i podsumowań, lecz decyzje nadal przechodzą przez te same wąskie gardła. Organizacja staje się bardziej zajęta, nie stając się istotnie szybsza.

Grupa liderów KPMG wskazuje inną drogę. Organizacje te łączą AI ze wzrostem, zamiast koncentrować się wyłącznie na redukcji kosztów. Zgłaszają również lepszą gotowość pracowników i większą pewność w mierzeniu wpływu na biznes.

To istotne, ponieważ redukcja kosztów sprzyja wąskiemu pytaniu wdrożeniowemu: które istniejące zadania może wykonać model? Pytanie zorientowane na wzrost dotyczy tego, jak AI zmienia produkt, doświadczenie klienta lub tempo uczenia się.

Pierwsze podejście może przynieść użyteczną efektywność. Drugie wymaga większej koordynacji, ale tworzy też rezultaty, które konkurentom może być trudniej skopiować.

Microsoft opisuje podobny kierunek za pomocą koncepcji „Frontier Firm”. Jego Work Trend Index przeanalizował 31 000 pracowników z 31 krajów, dane LinkedIn dotyczące rynku pracy oraz aktywność w Microsoft 365.

Microsoft twierdzi, że firmy te organizują pracę wokół zespołów ludzi i agentów oraz inteligencji dostępnej na żądanie. Takie ujęcie odzwierciedla perspektywę dostawcy, dlatego jego deklaracje dotyczące wyników zasługują na uważną analizę. Mimo to dobrze oddaje kierunek organizacyjny wskazywany przez KPMG.

Podział konkurencyjny nie przebiega więc między Microsoftem a Google ani między jednym modelem bazowym a drugim. Chodzi o wdrażanie narzędzi kontra operacyjną orkiestrację.

Organizacje podążające pierwszą ścieżką gromadzą licencje i pilotaże. Organizacje podążające drugą wybierają procesy robocze, łączą zaufany kontekst, przypisują odpowiedzialność, mierzą wyniki i korygują proces.

Wybór modelu nadal ma znaczenie dla jakości, kosztów, bezpieczeństwa i opóźnień. Zmiana modeli nie naprawi jednak braku odpowiedzialności ani nieokreślonego celu biznesowego.

Czego nadal nie dowodzą liczby dotyczące adopcji AI

Dynamika badań ankietowych jest realna, ale deklarowana dojrzałość i wartość pozostają niedoskonałymi miarami wyników operacyjnych.

Badania KPMG odzwierciedlają postrzeganie sytuacji przez kadrę zarządzającą w dużych organizacjach. Liderzy ci mogą opisać strategię, inwestycje i kierunek organizacji, lecz mogą nie obserwować codziennego użycia we wszystkich zespołach.

Ankieta obejmuje również organizacje różniące się regionem, branżą, regulacjami i możliwościami technicznymi. Bank wdrażający AI do kontrolowanych procesów weryfikacji mierzy się z innymi ograniczeniami niż firma programistyczna dodająca asystenta do narzędzi deweloperskich.

Zagregowane odsetki mogą ukrywać te różnice. Mogą także maskować to, czy respondenci używają tej samej definicji „istotnej wartości biznesowej”.

Jeden menedżer może rozumieć wartość jako szybszą pracę pracowników. Inny może wymagać wzrostu przychodów lub spadku kosztów. Trzeci może uwzględniać unikanie ryzyka, nawet gdy unikniętej straty nie da się bezpośrednio zaobserwować.

Ugruntowany ROI brzmi bardziej precyzyjnie, ale respondenci ankiet nadal mogą stosować różne metody. Niektórzy mogą uwzględniać koszty wdrożenia i nadzoru, podczas gdy inni porównują korzyści wyłącznie z opłatami za oprogramowanie.

Liczby KPMG należy więc traktować jako kierunkowy dowód dojrzałości, a nie audytowany dowód zwrotów ekonomicznych.

Ta sama ostrożność dotyczy porównań między raportami. AI Index 2026 Stanforda podaje, że organizacyjna adopcja AI osiągnęła 88 procent w 2025 roku. Zauważa też, że wdrażanie agentów pozostawało na jednocyfrowym poziomie w niemal każdej funkcji biznesowej.

Fakty te są ze sobą zgodne, ponieważ szeroki dostęp pojawił się przed głębokim wykorzystaniem operacyjnym. Pokazują również, dlaczego pojedynczy odsetek adopcji nie może odpowiedzieć na pytanie, czy AI zmieniła organizację.

AI Index wskazuje na silniejsze wzrosty produktywności w ustrukturyzowanej, mierzalnej pracy. Przywołuje badania pokazujące poprawę w obsłudze klienta, tworzeniu oprogramowania i wynikach marketingowych, jednocześnie odnotowując słabsze rezultaty w zadaniach wymagających głębszego rozumowania.

Ten wzorzec stanowi ważne ograniczenie. AI działa najlepiej tam, gdzie zespoły mogą zdefiniować dane wejściowe, sprawdzić wyniki i zmierzyć rezultaty. Otwarta praca strategiczna ma mniej wiarygodnych sygnałów zwrotnych.

Firma nadal może wykorzystywać AI do złożonej pracy, lecz potrzebuje silniejszego nadzoru człowieka i jaśniejszego sposobu wykrywania błędów. Bez tych zabezpieczeń szybsze wyniki mogą po prostu przyspieszać słabe decyzje.

Bezpieczeństwo i prywatność stanowią kolejne źródło tarcia. KPMG stwierdziło, że 75 procent respondentów wyraziło obawy dotyczące ryzyka i bezpieczeństwa związanego z AI. Tylko 20 procent organizacji na wczesnym etapie zgłosiło pewność w zarządzaniu ryzykiem AI, w porównaniu z 47 procentami liderów AI.

Obawy te nie są argumentem za wstrzymaniem wdrożeń. Pokazują, dlaczego sam dostęp nie może zapewnić dojrzałości. Organizacja potrzebuje zasad, kontroli technicznych, procedur oceny i przypisanej odpowiedzialności za incydenty, zanim będzie mogła rozszerzać wrażliwe przypadki użycia.

Gotowość pracowników tworzy podobne ograniczenie. KPMG ustaliło, że 68 procent organizacji wyraziło pewien poziom pewności co do swojej puli talentów, lecz jedynie 22 procent zgłosiło wysoką pewność.

Samo szkolenie pracowników w pisaniu promptów nie wypełni tej luki. Pracownicy muszą wiedzieć, kiedy AI jest odpowiednia, jakich dowodów wymaga wynik, jakich danych można używać i kiedy człowiek musi przejąć kontrolę.

Liderzy muszą również zdecydować, jak zaoszczędzony czas zostanie przekształcony w wartość. Jeśli pracownik wykonuje zadanie szybciej, ale otrzymuje więcej pracy o niskiej wartości, organizacja poprawiła lokalną efektywność bez zmiany wyników.

W tym miejscu programy adopcji często odłączają się od projektu biznesowego. Zespoły technologiczne zarządzają narzędziami, zespoły ds. nauki zarządzają szkoleniami, zespoły finansowe oczekują zwrotów, a zespoły operacyjne zachowują dotychczasowe cele. Żaden pojedynczy właściciel nie kontroluje całego rezultatu.

Sceptyczna interpretacja badania KPMG nie polega więc na tym, że AI nie przyniosła żadnej wartości. Chodzi o to, że dystans między deklarowaną wartością a ugruntowanym ROI pozostaje zbyt duży, by wyciągać proste wnioski.

Bardziej optymistyczna interpretacja jest konkretniejsza. Niewielka grupa zaczęła łączyć wdrożenia z mierzalnymi wynikami całego przedsiębiorstwa, co sugeruje, że wartość jest możliwa, gdy wspierają ją warunki organizacyjne.

Obie interpretacje odrzucają ten sam błąd: traktowanie dostępu, użycia i wpływu jako synonimów.

Trzy sygnały pokażą, czy luka się zamyka

O kolejnej fazie zdecyduje codzienna adopcja procesów roboczych, odpowiedzialność za koszty i mierzone wyniki operacyjne.

Pierwszym sygnałem jest postęp na krzywej dojrzałości KPMG. Badanie za drugi kwartał pokazało już, że odsetek organizacji, w których AI stanowi część codziennej pracy, wzrósł do 22 procent z 13 procent w pierwszym kwartale.

To znaczący postęp, ponieważ rutynowe użycie wymaga czegoś więcej niż tymczasowego pilotażu. Najsilniejszym potwierdzeniem byłby jednak odpowiadający mu wzrost ugruntowanego ROI, a nie tylko przejście od eksperymentowania do adopcji.

Badanie KPMG za drugi kwartał wykazało, że ugruntowany ROI pozostawał skoncentrowany na poziomie 7 procent. Próba i kwartalne ujęcie wymagają ostrożnych porównań, lecz przekaz pozostaje spójny. Codzienne użycie rośnie szybciej niż zweryfikowane zwroty.

Jeśli przyszłe badania pokażą szerszą adopcję wraz ze wzrostem ROI, argument za uczeniem się na poziomie przedsiębiorstwa zyska na sile. Jeśli adopcja będzie rosła, a ROI pozostanie blisko obecnych poziomów, lukę wartości trudniej będzie zbyć jako tymczasowe opóźnienie.

Drugim sygnałem jest widoczność kosztów. Liderzy powinni obserwować, czy organizacje potrafią przypisać wydatki na modele, agentów, infrastrukturę, integrację i przegląd wykonywany przez ludzi do konkretnych procesów roboczych.

Same pulpity kosztowe nie potwierdzają wartości. Stają się użyteczne, gdy towarzyszą im miary operacyjne i odpowiedzialni właściciele.

KPMG podało, że 53 procent organizacji miało w drugim kwartale pulpity monitorowania kosztów AI. Pięćdziesiąt cztery procent uwzględniało przeglądy kosztów w procesach zatwierdzania AI.

Silniejszym testem jest to, czy te mechanizmy kontroli zmieniają decyzje. Zespoły powinny wycofywać słabe przypadki użycia, przeprojektowywać kosztowne i rozszerzać wdrożenia przynoszące możliwe do obrony wyniki.

Jeśli firmy będą nadal skalować działania bez zrozumienia kosztów zależnych od użycia, agentowa AI może poszerzyć lukę. Systemy wieloagentowe mogą zwielokrotniać liczbę wywołań, tokenów, narzędzi i punktów awarii w ramach pojedynczego zadania.

Trzecim sygnałem są dowody na poziomie procesu roboczego. Szerokie ankiety wśród pracowników pozostaną użyteczne, ale decydenci potrzebują miar powiązanych z konkretnymi procesami.

Wdrożenie w obsłudze klienta powinno śledzić jakość rozwiązywania spraw, czas cyklu, wskaźniki eskalacji i wyniki dla klientów. Wdrożenie w rozwoju oprogramowania powinno śledzić czas dostarczania, defekty, obciążenie przeglądami i łatwość utrzymania. Wdrożenie badawcze powinno mierzyć dokładność, jakość źródeł i szybkość podejmowania decyzji.

Pomiary te powinny wykraczać poza krótkie demonstracje. Proces roboczy, który odnosi sukces przez cztery tygodnie, może osłabnąć wraz ze zmianą danych, adaptacją pracowników lub rozszerzeniem użycia.

Organizacje powinny również wyraźniej rozróżniać produktywność brutto od przechwyconej wartości. Oszczędność dziesięciu minut nie tworzy automatycznie zwrotu finansowego. Organizacja musi przekierować tę zdolność albo poprawić wynik ceniony przez klientów.

Google News nadal będzie eksponować wysokie odsetki adopcji, ponieważ dostarczają prostych nagłówków. Ważniejsze dowody pojawią się w mniej spektakularnych miarach operacyjnych.

Obserwuj odsetek organizacji zgłaszających ugruntowany ROI. Obserwuj, czy widoczność kosztów zmienia decyzje dotyczące wdrożeń. Następnie sprawdzaj, czy poszczególne procesy robocze zapewniają trwałe korzyści po uwzględnieniu kosztów nadzoru, integracji i ryzyka.

Dla nabywców korporacyjnych i pracowników wiedzy praktyczne pytanie nie brzmi już, czy AI zasługuje na eksperymentowanie. Dowody pokazują, że eksperymentowanie jest już powszechne.

Pytanie brzmi, czy twoja organizacja potrafi wskazać jeden ważny proces roboczy, określić jego punkt odniesienia, połączyć właściwy kontekst, przypisać odpowiedzialnego właściciela i mierzyć wynik w czasie.

Jeśli nie potrafi, kolejny model lub agent nie zamknie tej luki. Jeśli potrafi, adopcja AI ma ścieżkę do wpływu, który przetrwa poza następnym nagłówkiem Google News.